
এই কৌশলটি মূল্যের প্রবণতা এবং অস্থিরতা নির্ধারণের জন্য বিভিন্ন সময়কালের গড় এবং বিভাজন গণনা করে উচ্চ এবং নিম্ন পয়েন্টগুলি সনাক্ত করতে সক্ষম হয়।
এই কৌশলটির মূল যুক্তি হল সাম্প্রতিক সময়ের বিভিন্ন সময়কালের গড় এবং বিভাজন গণনা করা। বিশেষত, সর্বশেষ 5 দিন, 4 দিন এবং 3 দিনের গড় ((ma, mb, mc) এবং বিভাজন ((da, db, dc) গণনা করা হয়। তারপরে একটি বড়, একটি বৃহত বর্গক্ষেত্র নির্বাচন করুন যা বর্তমান প্রবণতা প্রতিনিধিত্ব করে। অবশেষে, প্রবণতা প্রতিনিধিত্বকারী একটি সময়ের গড় দ্বারা বর্গক্ষেত্রের বর্গক্ষেত্রকে গুণ করুন, যা চূড়ান্ত আউটপুট কার্ভেন হিসাবে কাজ করে।
এইভাবে, যখন দামের উপরে বা নীচে একটি ব্রেকডাউন হয়, তখন প্রবণতা প্রতিনিধিত্বকারী চক্র এবং স্কোয়ারটি আরও বেশি পরিবর্তিত হয়। এর ফলে চূড়ান্ত আউটপুট wgও আরও বেশি পরিবর্তিত হয়, উচ্চ এবং নিম্ন চিহ্নিতকরণ সম্ভব।
এই পদ্ধতিটি বিভিন্ন চক্রের উপর ভিত্তি করে প্রবণতা পরিবর্তনের উপর ভিত্তি করে কাজ করে এবং মূল্যের বিপর্যয়কে স্পষ্টভাবে সনাক্ত করতে পারে। একক চক্রের তুলনায়, একাধিক চক্রের এই সমন্বয় পদ্ধতিটি সঠিকতা এবং সময়োপযোগীতার উন্নতি করতে পারে।
গড়রেখা এবং স্কোয়ারেজ হিসাব করা খুবই সহজ এবং কার্যকর, কোডের পরিমাণ খুব বেশি নয়, এবং হঠাৎ দামের পরিবর্তনের প্রতি অত্যন্ত সংবেদনশীল, যার ফলে দ্রুত বিপর্যয় সনাক্ত করা যায়।
এই কৌশলে ব্যবহৃত চক্রটি সংক্ষিপ্ত, এবং মধ্য-লম্বা লাইনের ক্ষেত্রে, বিচারটি যথেষ্ট সঠিক এবং বিস্তৃত নাও হতে পারে। স্বল্পমেয়াদে দামের অস্থিরতা ভুল বিচার করতে পারে।
এছাড়াও, গড় এবং বর্গক্ষেত্রের ওজনের সেটিংগুলি বিচারকে প্রভাবিত করতে পারে, এবং যদি ওজনের সেটিংটি ভুল হয় তবে সংকেতটি বিভ্রান্ত হতে পারে।
আপনি আরও বিভিন্ন সময়কালের গণনা যোগ করার চেষ্টা করতে পারেন, একটি চক্রের সমন্বয় তৈরি করতে পারেন, যাতে বিচার আরও ব্যাপক হয়। উদাহরণস্বরূপ, 10 দিন, 20 দিন ইত্যাদির মধ্যম এবং দীর্ঘমেয়াদী চক্রের বিচার যোগ করুন।
বিভিন্ন ওজনের সেটিং স্কিম পরীক্ষা করা যেতে পারে, যা ওজনের সেটিংয়ের নমনীয়তা বাড়ায়। প্যারামিটার অপ্টিমাইজেশান যুক্ত করা হয়েছে, যাতে ওজনের বাজার পরিস্থিতির সাথে স্বয়ংক্রিয়ভাবে সামঞ্জস্য করা যায়, যা ভুল সিদ্ধান্তের সম্ভাবনা হ্রাস করে।
এছাড়াও, অন্যান্য সূচক যেমন লেনদেনের পরিমাণের অস্বাভাবিকতার সাথে একত্রিত করা যেতে পারে, যাতে লিজিং ব্যবসায়ের দ্বারা বিভ্রান্ত হওয়া এড়ানো যায়।
এই কৌশলটির সামগ্রিক ধারণাটি পরিষ্কার এবং সহজেই বোঝা যায়, দামের প্রবণতা এবং অস্থিরতা নির্ধারণের জন্য গড় এবং বৈষম্য ব্যবহার করা হয়, তারপরে সমন্বয় আউটপুট উচ্চতা এবং নিম্নের কার্ভকে স্পষ্টভাবে সনাক্ত করতে পারে। বহু-চক্রের সমন্বয়যুক্ত বিচার ভিত্তিক এই পদ্ধতিটি কার্যকরভাবে বাজারের দীর্ঘ এবং স্বল্পমেয়াদী বৈশিষ্ট্যগুলি অর্জন করতে পারে, বিপরীত বিন্দুগুলির বিচার সঠিকতা বাড়িয়ে তুলতে পারে। অপ্টিমাইজেশনের জায়গাটিও বিশাল, বিভিন্ন দিক থেকে সামঞ্জস্য করা যায়, যেমন চক্রের ওজন, সূচক ইত্যাদি, কৌশলটিকে আরও স্থিতিশীল এবং বিস্তৃত করে তোলে।
/*backtest
start: 2024-02-12 00:00:00
end: 2024-02-19 00:00:00
period: 12h
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
//@version=3
strategy("x²", overlay=false)
a1=(close[2]-close[3])/1
a2=(close[1]-close[3])/4
a3=(close[0]-close[3])/9
b1=(close[3]-close[4])/1
b2=(close[2]-close[4])/4
b3=(close[1]-close[4])/9
b4=(close[0]-close[4])/16
c1=(close[4]-close[5])/1
c2=(close[3]-close[5])/4
c3=(close[2]-close[5])/9
c4=(close[1]-close[5])/16
c5=(close[0]-close[5])/25
ma=(a1+a2+a3)/3
da=(a1-ma)*(a1-ma)
da:=da+(a2-ma)*(a2-ma)
da:=da+(a3-ma)*(a3-ma)
da:=sqrt(da)
da:=min(2, da)
da:=1-da/2
da:=max(0.001, da)
mb=(b1+b2+b3+b4)/4
db=(b1-mb)*(b1-mb)
db:=db+(b2-mb)*(b2-mb)
db:=db+(b3-mb)*(b3-mb)
db:=db+(b4-mb)*(b4-mb)
db:=sqrt(db)
db:=min(2, db)
db:=1-db/2
db:=max(0.001, db)
mc=(c1+c2+c3+c4+c5)/5
dc=(c1-mc)*(c1-mc)
dc:=dc+(c2-mc)*(c2-mc)
dc:=dc+(c3-mc)*(c3-mc)
dc:=dc+(c4-mc)*(c4-mc)
dc:=dc+(c5-mc)*(c5-mc)
dc:=sqrt(dc)
dc:=min(2, dc)
dc:=1-dc/2
dc:=max(0.001, dc)
g=close
if(da>db and da>dc)
g:=da*da*ma
else
if(db > da and db > dc)
g:=db*db*mb
else
g:=dc*dc*mc
wg=wma(g, 2)
plot(wg)
plot(0, color=black)
longCondition = true //crossover(sma(close, 14), sma(close, 28))
if (longCondition)
strategy.entry("My Long Entry Id", strategy.long)
shortCondition = true //crossunder(sma(close, 14), sma(close, 28))
if (shortCondition)
strategy.entry("My Short Entry Id", strategy.short)